WSOD^2:面向弱监督目标检测的自底向上与自顶向下目标性蒸馏学习
计算机视觉与模式识别
2019-09-12 v1
摘要
我们研究弱监督目标检测(WSOD),其在减轻目标级标注的人力参与方面起着至关重要的作用。主流工作将区域提议机制与卷积神经网络(CNN)相结合。尽管CNN擅长提取判别性局部特征,但在度量一个边界框包含完整目标的可能性(即“目标性”)方面仍存在重大挑战。本文中,我们通过为弱监督目标检测设计定制训练机制,提出了一种新颖的带目标性蒸馏的WSOD框架(即WSOD^2)。多个回归目标由自底向上(BU)和自顶向下(TD)目标性联合确定,前者来自低层度量,后者来自CNN置信度,并通过自适应线性组合得到。由于边界框回归可在训练期间促使区域提议学习逼近具有高目标性的回归目标,从自底向上证据中学到的深度目标性表征可通过优化逐渐蒸馏进CNN。我们探索了BU/TD目标性的不同自适应训练曲线,并表明所提出的WSOD^2能取得最先进(state-of-the-art)结果。
引用
@article{arxiv.1909.04972,
title = {WSOD^2: Learning Bottom-up and Top-down Objectness Distillation for Weakly-supervised Object Detection},
author = {Zhaoyang Zeng and Bei Liu and Jianlong Fu and Hongyang Chao and Lei Zhang},
journal= {arXiv preprint arXiv:1909.04972},
year = {2019}
}
备注
Accepted as a ICCV 2019 poster paper